تحجيم الميزة

يعد قياس الميزات أحد أساليب المعالجة المسبقة المستخدمة في التعلم الآلي لتطبيع نطاق القيم ضمن ميزة الإدخال. إنه نوع من تطبيع البيانات يُستخدم للتأكد من أن جميع متغيرات الإدخال على مقياس مماثل بقيم تتراوح بين 0 و1. وهذه خطوة مهمة لأن خوارزميات التعلم الآلي تميل إلى التعلم بشكل أفضل عندما تظل جميع المعلمات على نفس المقياس.

يُشار أحيانًا إلى قياس الميزات باسم "تسوية البيانات" أو "تحجيم" فقط. وهو يعمل عن طريق تحويل قيم الإدخال من نطاقها الأصلي (أي 0-255) إلى نطاق جديد (أي 0-1). يتم تطبيق العملية على ميزات مثل الارتفاع والعرض والطول وما إلى ذلك، بحيث تكون جميع الميزات متساوية في الأهمية ويمكن للنموذج تفسيرها بشكل أفضل.

الطرق الأكثر شيوعًا للقياس هي الحد الأدنى والحد الأقصى للقياس أو التقييس (درجة z). يقوم مقياس Min-Max بتحويل كافة القيم لتكون ضمن نطاق معين، عادة 0-1. صيغة التحويل لـ min-max هي:

X_scaled = (X – Xmin)/(Xmax – Xmin)

ومن ناحية أخرى، يقوم التقييس بإعادة قياس البيانات بحيث يصبح المتوسط صفرًا والانحراف المعياري واحدًا. صيغة التحويل للتوحيد القياسي هي:

X_scaled = (X – μ)/σ

غالبًا ما يتم تطبيق القياس أثناء مرحلة المعالجة المسبقة للبيانات، قبل تدريب نموذج التعلم الآلي. وذلك لأن بعض النماذج قد تكون إما حساسة لقياس الميزات أو لديها متطلبات إدخال للميزات لتكون في نطاق معين. يمكن أن يساعد القياس أيضًا في تحسين أداء خوارزميات معينة من خلال السماح لها بالتعلم بشكل أكثر كفاءة.

عندما لا يتم تطبيق تحجيم الميزات على المدخلات، قد لا تعمل بعض خوارزميات التعلم الآلي بشكل صحيح. على سبيل المثال، في k-Nearest Neighbors، لكل عينة في مجموعة البيانات، يتم حساب المسافة ويجب أن تظل مجموعة البيانات بأكملها على مقياس مماثل لأنها تعتمد على المسافات. وهذا يعني أن الاختلاف في الحجم سيؤدي إلى معالجة العينات المختلفة بشكل مختلف، مما يؤدي إلى نتائج غير مرغوب فيها.

في الختام، يعد قياس الميزات أسلوبًا مهمًا للمعالجة المسبقة يستخدم في التعلم الآلي لضمان بقاء جميع المعلمات على نطاق مماثل. وهو يعمل عن طريق تحويل نطاق قيم ميزة الإدخال إلى نطاق جديد من القيم، مما قد يؤدي إلى تحسين أداء بعض الخوارزميات ومنع البعض الآخر من العمل بشكل صحيح.